知识卡片
按有无目标变量划分学习方式
划分学习方式只看一件事:数据里有没有明确的目标变量 Y。有监督学习有 Y(也叫因变量、响应变量、输出变量),用其他变量 X(自变量、协变量、解释变量、输入变量、特征、字段)建立模型去预测 Y;Y 连续时叫回归分析,Y 是分类标签时叫分类问题。常见有监督方法包括决策树及其组合、神经网络、支持向量机、最近邻居法、朴素贝叶斯。无监督学习没有 Y,目标是寻找数据之间的相互关系或模式,典型是主成分分析、聚类和关联规则。这条界线不按算法分,而按任务有没有「标准答案」分,它直接决定了第2、3章与第8章的分工。
结构图:
flowchart TD
A{"数据中有目标变量 Y 吗"} -->|有| B["有监督学习"]
A -->|没有| C["无监督学习"]
B --> D{"Y 是连续型吗"}
D -->|是| E["回归分析"]
D -->|否,是分类标签| F["分类问题"]
C --> G["主成分分析、聚类、关联规则"]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
所谓有监督学习,就是在分析问题时,数据中有一个明确的目标变量Y(也称作因变量、响应变量、输出变量等),可以通过建立它对其他变量 X(也称为自变量、协变量、解释变量、输入变量、特征、字段等)的模型来预测。
参考来源
- 位置:《大数据挖掘与统计机器学习》第1章 概述(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter3_0002.xhtml,1.2 基本内容)
- 结论依据:原文以目标变量 Y 的有无为标准划分有监督与无监督学习,并进一步按 Y 是连续值还是分类标签区分回归与分类,同时列出各自的典型方法。
- 原始内容:所谓有监督学习,就是在分析问题时,数据中有一个明确的目标变量Y(也称作因变量、响应变量、输出变量等),可以通过建立它对其他变量 X(也称为自变量、协变量、解释变量、输入变量、特征、字段等)的模型来预测。